我目前正在构建一个包含隐式数据(例如点击、浏览、购买)的推荐系统，但是我看过的大部分研究似乎都跳过了“聚合隐式数据”的步骤。例如，如何将多次点击和购买加类汇总为单个用户评分(如标准矩阵分解模型所要求的那样)？
我一直在尝试几种基于矩阵分解的方法，包括神经协同过滤、深度分解机、LightFM 和用于协同过滤的变分自动编码器。这些论文似乎都没有解决聚合隐式数据的问题。他们也没有讨论在计算分数时如何对不同类型的用户事件(例如点击与购买)进行加权。
目前，我一直在使用置信度评分方法( session 评分对应于事件计数)，如本文所述:http://yifanhu.net/PUB/cf.pdf 。然而，这种方法并没有解决合并其他类型的用户事件(点击除外)的问题，也没有解决负面的隐式反馈(例如零点击的大量展示)。
无论如何，我希望对这个主题有一些见解!任何想法都将不胜感激!
最佳答案
有构建推荐系统的方法 - Bayesian personalized ranking from implicit feedback 。我还写了an article了解如何使用 TensorFlow 实现它。
对于如何显式传递隐式反馈的问题没有“正确”的答案。答案将取决于业务需求。如果任务是提高点击率，就应该尝试使用点击量。如果要提高转化率，您需要进行购买。
关于machine-learning - 将 "Implicit"用户交互转换为推荐系统的 "Explicit"用户评分，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/62644920/